Ek speel in Python 'n bietjie weer, en ek het 'n netjiese boek met voorbeelde. Een van die voorbeelde is 'n paar data plot. Ek het 'n txt lêer met twee kolomme en ek het die data. Ek geplot die data net mooi nie, maar in die oefening dit sê: Pas jou program verder te bereken en stip die loop gemiddeld van die data, gedefinieer deur: waar R5 in hierdie geval (en die yk is die tweede kolom in die datalêer) . Het die program plot beide die oorspronklike data en die lopende gemiddeld op dieselfde grafiek. Tot dusver het ek dit: So, hoe kan ek bereken die som In Mathematica sy eenvoudige sedert sy simboliese manipulasie (Sumi, byvoorbeeld), maar hoe om som te bereken in luislang wat elke tien punte in die data en gemiddeldes wat dit neem, en doen dit tot aan die einde van punte wat ek gekyk na die boek, maar niks gekry nie dat dit sal verduidelik: heltonbikers kode het die truuk: D Dankie :) Daar is 'n probleem met die aanvaarde antwoord. Ek dink ons moet geldig in plaas van dieselfde hier gebruik - terugkeer numpy. convolve (interval, venster, dieselfde). As 'n voorbeeld probeer om uit die MA van hierdie-datastel 1,5,7,2,6,7,8,2,2,7,8,3,7,3,7,3,15,6 - die gevolg moet wees 4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6,4.6,7.0,6.8. maar met dieselfde gee ons 'n verkeerde afvoer van 2.6,3.0,4.2,5.4,6.0,5.0,5.0,5.2,5.4,4.4,5.4,5.6,5.6, 4.6,7.0,6.8,6.2,4.8 Rusty kode om dit te probeer uit -: Probeer hierdie met 'n geldige amp dieselfde en kyk of die wiskunde sin maak. antwoord 29 Oktober 14 aan 04:27 Haven39t probeer dit uit, maar I39ll kyk na dit, It39s lanklaas I39ve gekodeer in Python. â € dingod 29 Oktober 14 aan 07:07 dingod Hoekom don39t jy vinnig dit te probeer met die verroes kode (en die voorbeeld van die data-stel (soos 'n eenvoudige lys), gepos ek. Vir sommige lui mense (soos ek aanvanklik was) -.. sy maskers uit die feit dat bewegende gemiddelde is incorrect. Probably jy in ag moet neem redigering jou oorspronklike antwoord wat ek probeer dit net gister en dubbele kontrole gered my aangesig soek sleg verslagdoening aan CXO vlak Al wat jy hoef te doen, is om te probeer jou dieselfde bewegende gemiddelde keer met quotvalidquot en ander tyd saam met quotsamequot - en sodra jy is oortuig gee my 'n paar liefde (aka-up-stemming) uitvoering maak ekta 29 Oktober 14 by 7: 16Introduction matplotlib is 'n luislang 2D plot biblioteek wat persklaar syfers produseer in 'n verskeidenheid van gedrukte formaat en interaktiewe omgewings verskillende platforms. matplotlib kan gebruik word in Python skrifte, die luislang en ipython dop (ala MATLAB Reg of Mathematica reg8224), webtoepassing bedieners, en ses grafiese gebruikerskoppelvlak hulpmiddels. matplotlib probeer om maklik te maak dinge maklik en hard dinge moontlik. Jy kan erwe, histogramme, mag spektra, staafgrafieke, errorcharts, spreiding diagrammen, ens genereer, met net 'n paar reëls van die kode. Vir 'n voorbeeld, sien die screenshots. thumbnail gallery, en voorbeelde gids vir eenvoudige plot die pyplot koppelvlak bied 'n MATLAB-agtige koppelvlak, veral wanneer dit gekombineer met IPython. Vir die krag gebruiker, jy het volle beheer van lyn style, font eienskappe, byle eienskappe, ens, via 'n objekgeoriënteerde koppelvlak of via 'n stel van funksies bekende MATLAB gebruikers. John Hunter (1968-2012) het op 28 Augustus 2012, John D. Hunter, die skepper van matplotlib, gesterf het aan komplikasies wat uit die behandeling van kanker, na 'n kort, maar intense stryd met hierdie verskriklike siekte. John word oorleef deur sy vrou Miriam, sy drie dogters Ragel, Ava en Clara, sy susters Layne en Maria, en sy moeder Sara. As jy het baat gevind by die Johns baie bydraes, kan jy sê dankie in die manier waarop die meeste aan hom sou saak. Oorweeg dit asseblief om 'n skenking aan die John Hunter Tegnologie Fellowship. Installasie dokumentasie Hierdie is 'n dokumentasie vir matplotlib weergawe 1.5.3. Probeer om te leer hoe om dit te doen 'n bepaalde soort plot Check uit die gallery. voorbeelde. of die lys van die plot bevele. Ander bronne leer Daar is baie eksterne leer hulpbronne wat beskikbaar is, insluitend gedrukte materiaal, video's en tutoriale. Hulp nodig matplotlib is 'n verwelkoming, inklusiewe projek, en ons probeer om die Python Software Foundation gedragskode volg in alles wat ons doen. Gaan die FAQ. die API dokumente, poslys argiewe. en sluit die matplotlib e-lys Gebruikers. Kondig en Ontwikkelings. Check uit die matplotlib vrae oor StackOverflow. Die naslaanbron soek al die dokumentasie, insluitend die volledige teks van meer as 350 volledige voorbeelde wat byna elke uithoek van matplotlib oefen. Jy kan foute, kolle en funksie versoeke te dien op die GitHub Tracker. maar dit is 'n goeie idee om ons te ping op die poslys. Om op hoogte te bly met wat aangaan in matplotlib, sien die whats nuwe bladsy of blaai deur die bronkode. Enigiets wat kan vereis dat veranderinge aan jou bestaande kode is aangemeld in die lêer api veranderinge. Hulpmiddels Daar is verskeie matplotlib add-on hulpmiddels. insluitend 'n keuse van twee projeksie en kartering hulpmiddels basemap en cartopy. 3D plot met mplot3d. byle en as helpers in axesgrid. verskeie hoër-vlak plot koppelvlakke seaborn. holoviews. ggplot. en nog baie meer. Met verwysing na matplotlib matplotlib is die breinkind van John Hunter (1968-2012), wat saam met sy talle bydraers, het 'n onmeetbare hoeveelheid tyd en moeite in die vervaardiging van 'n stuk sagteware wat gebruik word deur duisende wetenskaplikes wêreldwyd sit. As matplotlib dra by tot 'n projek wat lei tot 'n wetenskaplike publikasie, Erken asseblief hierdie werk deur die verwysing na die projek. Jy kan dit gereed gemaak aanhaling inskrywing gebruik. Open source Die matplotlib lisensie is gebaseer op die Python Software Foundation (PSF) lisensie. Daar is 'n aktiewe ontwikkelaar gemeenskap en 'n lang lys van mense wat betekenisvolle bydraes gemaak het. Matplotlib word gehuisves op GitHub. Kwessies en trek versoeke is nagespoor by GitHub ook. MATLAB is 'n geregistreerde handelsmerk van The MathWorks, Inc. 8224 Mathematica is 'n geregistreerde handelsmerk van Wolfram Research, Inc. kopie Kopiereg 2002-2012 John Hunter, Darren Dale, Eric afvuur, Michael Droettboom en die matplotlib ontwikkelingspan 2012-2014 Die matplotlib ontwikkeling span. Laaste opgedateer op 20 September, 2016. geskep met behulp van Sphinx 1.4.6.We voorheen bekend hoe om bewegende gemiddeldes met Python skep. Hierdie handleiding sal 'n voortsetting van hierdie onderwerp wees. 'N bewegende gemiddelde in die konteks van statistieke, ook bekend as 'n rollende / hardloop gemiddelde, is 'n tipe van eindige impulsrespons. Let8217s plot x teen die bewegende gemiddelde van y dat ons yma sal roep:: In ons vorige tutoriaal het ons die waardes van die skikkings x en y geplot Eerstens let8217s gelyk die lengte van beide skikkings: En om dit in konteks te wys: Die gevolglike grafiek: Om te help verstaan dit, let8217s plot twee verskillende verhoudings: x vs y en x vs mag: die bewegende gemiddelde hier is die groen plot wat begin by 3: Deel hierdie: Soos hierdie: Verwante Post navigasie Laat 'n antwoord Kanselleer antwoord Baie nuttig Ek wil graag die laaste deel lees op groot datastelle Hoop dit sal soon8230 d bloggers kom soos volg: vooruitskatting en Python deel 1 8211 Moving Gemiddeldes Ek wil skop af 'n reeks wat verskillende vooruitskatting metodologieë neem en demonstreer dit deur middel van Python. Om die 8216ball rolling8217 Ek wil begin met bewegende gemiddeldes en ideaal eindig die reeks op die voorspelling met ARIMA modelle (outoregressiewe geïntegreerde bewegende gemiddelde) kry. My doel is om hierdie inhoud 8216light8217 op teorie en wiskunde het en eerder te konsentreer op aansoek kode. Ek het hierdie laataand skryf, so voel asseblief vry om my ping as ek enige foute. Ek verwys dikwels na die voorspelde Y as Y hoed, as jy nie bewus is, in die vergelyking die hoed simbool is geleë oor die voorspelde Y. Vooruitskatting met Gemiddeld bewegende gemiddeldes Moving moet aa n wonderlike plek om elke handboek begin ek begin met die verskuiwing wees gemiddeldes om die grondslag te lê. Die formules is eenvoudig en pret. Vergelyking 1: Moving Gemiddeldes vergelyking Die bewegende gemiddeldes model bere die gemiddelde van elke waarneming in periodes k. In my kode en resultate sal ek met 'n 12 tydperk bewegende gemiddelde, dus K12. Y hoed (T1) is die voorspelling waarde vir volgende tydperk en Y (t) is die werklike waarde by periode t. 'N tydperk kan ure, dae, weke, maande, jaar, ens Sedert die model is dieselfde, ongeag, ek is nie van plan om 'n eenheid te spesifiseer. yvalues is 'n subset van al die werklike Y waardes in die kode gebring. Stel my 8216k8217 (periodes) gelyk aan 12 as ek gaan 'n 12 tydperk bewegende gemiddelde te bereken. Die kode herhaal oor die waarnemings (N), word bereken dat die gemiddelde vir elke 12 tydperk reeks (K12) en ken die berekening van die yhat lys. In die geval dat jy opgemerk, yfull is my volledige lys van Y waardes, waar yvalues is 'n subset wat is geneutraliseer deur k. meer inligting oor hierdie hieronder in die gedeelte 8216Offsetting Y subset List8217. Plot Werklike en Voorspelling Voorspelling 1. 12 tydperk bewegende gemiddelde Meet Voorspelling Foute Ek het my voorspelling, maar is dit 'n goeie Visueel die voorspelling volg die werklike waardes nogal goed, maar hoe kan ek die kwaliteit van hierdie voorspelling te meet en dan vergelyk dit teen voorspellings afgelei met behulp van verskillende metodes. Een manier om 'n voorspelling te meet is deur die meting van die foute (ook bekend as residue, Y werklike 8211 Y hoed) Ek verkies om die volgende metodes vir die meting voorspelling foute in hierdie bespreking te sluit. Beteken Squared Fout (MSE) wat die gemiddeldes van die kwadraat foute meet (verskil van Y en Y hoed). MSE is gerapporteer in dieselfde eenhede as die waardes wat geskat (Y), dus kan dit gesê word dat 'n voorspelling is af deur 821610.000 units8217. Hierdie fout kan gesien word as klein indien die werklike waardes wissel in die miljarde eenhede. Die fout kan gesien word as 'n groot as die werklike waardes net wissel in die 108217s duisende. 'N algemene probleem met die MSE is dat dit swaar gewigte groot uitskieters inflating die fout meting. Die wortel van gemiddelde Squared Fout neem die vierkantswortel van die MSE. RMSE verteenwoordig die monster standaardafwyking van die residue. Die gemiddelde absolute persentasiefout (Mape) is 'n alternatiewe metode wat verslae uit die fout as 'n persentasie. In plaas daarvan om te sê die voorspelling is af deur 8216x units8217, kan ons sê dat 'n voorspelling is af deur 4. Ek gebruik dikwels meer as een metode wanneer vergelyk voorspellings as elkeen het beperkings, wat een of ander tyd kan lei tot vals afmetings deur een of twee metodes. Vergelyking 2 amp 3: MSE en Mape vergelyking 3: RMSE Voorspelling 1: Fout Metings MSE: 630,649.39 RMSE: 794,13 kaart: 10,22 Verrekening Y subset Lys Dit is interessant dat die bogenoemde voorspelling (voorspelling 1) is nie 8216fit8217 die werklike waardes meer effektief 8211 dit is 'n eenvoudige data-reeks, ek sou verwag dat die residue om kleiner wees. Om die Y hoed waardes vir die tydperk 12 bewegende gemiddelde model bereken, ek gebruik 'n formule wat tyd (t) 12 periodes voor beweeg (sien vergelyking 1 hierbo). Dit was hoe ek oorspronklik geleer en het voorbeelde in handboeke op my kantoordeur rak. Hierdie kode skep yfull van die gelaaide data lêer dan skep 'n subset lys begin 12 periodes in. Why8230 omdat ons die eerste 12 tydperk sal gebruik om afskop ons bewegende gemiddelde skatting. Die voorspelling waardes egter nie 8216fit8217 die werklike waardes soveel as wat ek wil. Hulle is óf onder voorspel of meer voorspel. Nog 'n metode vir die bewegende gemiddelde vooruitskatting stel die aanvang van die voorspelling op die middelpunt van 8216k8217. Voorspelling 1: Data Gebruik die middelpunt van 8216k8217 Voorspelling 2: 12 tydperk bewegende gemiddelde vooruitskatting 2: Fout Metings MSE: 7,350.78 RMSE: 85,74 kaart: 0.86 Vergelyk die voorspelling fout metings van voorspel 1 met voorspel 2 gee 'n aanduiding dat die tweede metode beter pas ons data. However8230 Daar is 'n baie inhoud beskikbaar op gesentreerde Bewegende Gemiddeldes wat volle besonderhede van hoe om die middelpunt waardes bereken vir al / vreemde tydperke sal gee. Ek is nie daardie bron ek net wys hoe die vermindering van die lag van die gemiddeldes beter in lyn ons Y hoede met die werklike en verbeter die fout maatreëls. Die kode is byna identies, behalwe die subset lys (yvalues) geskep 6 periodes in en stop 6 periodes kort. Gemiddeld die data van die middelpunt af verminder die bedrag van bo / onder voorspel soos in voorspel 1. Voorspelling 2: Data wanneer beweeg gemiddeldes is minder geskik Moving gemiddelde vooruitskatting begin om werklik misluk wanneer die data reeks het 'n sikliese komponent of seisoenaliteit. Hieronder is die dieselfde 12 tydperk bewegende gemiddelde Python-kode teen 'n sikliese data reeks. Voorspelling 3: 12 tydperk bewegende gemiddeldes voorspel 3: Fout Metings MSE: 5,386,003,002.91 RMSE: 73,389.39 kaart: 48,79 Die plot en die berekende fout meet beide dui daarop dat bewegende gemiddeldes is nie 'n goeie passing vir hierdie reeks. Ek sal dit dieselfde reeks met ander voorspellingsmodelle te gebruik om tegnieke wat pick-up siklusse doen in die data. Backtesting n bewegende gemiddelde Crossover in Python met pandas Deur Michael Saal-Moore op 21 Januarie 2014 In die vorige artikel oor Navorsing back testing te openbaar in Python Met Pandas geskep ons 'n objek-georiënteerde navorsing-gebaseerde back testing omgewing en dit getoets op 'n ewekansige vooruitskatting strategie. In hierdie artikel sal ons gebruik van die masjinerie wat ons lei om navorsing te doen oor 'n werklike strategie, naamlik die bewegende gemiddelde Crossover op AAPL maak. Bewegende gemiddelde Crossover Strategie Die bewegende gemiddelde Crossover tegniek is 'n uiters bekende simplistiese momentum strategie. Daar word dikwels beskou as die Hello World voorbeeld vir kwantitatiewe handel. Die strategie as hier uiteengesit is slegs lang. Twee afsonderlike eenvoudige bewegende gemiddelde filters word geskep, met wisselende Terugblik tydperke, van 'n bepaalde tyd reeks. Seine na die aankoop van die bate vind plaas wanneer die korter Terugblik bewegende gemiddelde hoe langer bewegende gemiddelde oorskry Terugblik. As die langer gemiddelde daarna die korter gemiddelde oorskry, word die bate verkoop terug. Die strategie werk goed wanneer 'n tydreeks betree 'n tydperk van 'n sterk tendens en dan omkeer stadig die tendens. Vir hierdie voorbeeld het ek gekies Apple, Inc (AAPL) as die tyd reeks, met 'n kort Terugblik van 100 dae en 'n lang Terugblik van 400 dae. Dit is die inligting wat deur die Zipline algoritmiese handel biblioteek voorbeeld. So as ons wil ons eie backtester implementeer moet ons verseker dat dit die resultate wedstryde in Zipline, as 'n basiese wyse van bevestiging. Implementering Maak seker dat die vorige tutoriaal hier volg. wat beskryf hoe die aanvanklike doel hiërargie vir die backtester is gebou, anders sal die kode hieronder sal nie werk nie. Vir hierdie spesifieke implementering het ek die volgende biblioteke gebruik: Die implementering van macross. py vereis backtest. py van die vorige tutoriaal. Die eerste stap is om die nodige modules en voorwerpe in te voer: Soos in die vorige tutoriaal gaan ons die strategie abstrakte basis klas MovingAverageCrossStrategy produseer oorerf. wat al die besonderhede oor hoe om die seine te genereer bevat wanneer die bewegende gemiddeldes van AAPL kruis oor mekaar. Die voorwerp vereis 'n shortwindow en 'n longwindow waarop te werk. Die waardes is ingestel om die standaard van 100 dae en 400 dae onderskeidelik, wat dieselfde parameters wat in die belangrikste voorbeeld van Zipline is. Die bewegende gemiddeldes is geskep deur die gebruik van die pandas rollingmean funksie op die barsClose sluitingsprys van die AAPL voorraad. Sodra die individu bewegende gemiddeldes is gebou, is die sein reeks wat deur die oprigting van die kolom gelyk aan 1,0 wanneer die kort bewegende gemiddelde is groter as die lang bewegende gemiddelde, of 0.0 anders. Hieruit kan die posisies bestellings gegenereer kan word om handel seine verteenwoordig. Die MarketOnClosePortfolio is subclassed van Portefeulje. wat is gevind in backtest. py. Dit is byna identies aan die wat in die vorige tutoriaal beskryf implementering, met die uitsondering dat die ambagte nou uit op 'n close-to-Close basis gedra, eerder as om 'n Ope-tot-Ope basis. Vir meer inligting oor hoe die Portefeuljekomitee voorwerp gedefinieer, sien die vorige tutoriaal. Ive het die kode in vir volledigheid en om hierdie handleiding te hou self-contained: Noudat die MovingAverageCrossStrategy en MarketOnClosePortfolio klasse is gedefinieer, sal 'n hooffunksie word geroep om al die funksies saam te bind. Daarbenewens die prestasie van die strategie deur middel van 'n plot van die aandele kurwe sal ondersoek word. Die pandas DataReader voorwerp downloads OHLCV pryse van AAPL voorraad vir die tydperk 1 Januarie 1990 tot 1 Januarie 2002, op watter punt die seine DataFrame is geskep om die lang-net seine op te wek. Vervolgens die portefeulje is gegenereer met 'n 100,000 dollar aanvanklike kapitaalbasis en die opbrengs word bereken op die aandele kurwe. Die finale stap is om matplotlib gebruik om 'n twee-syfer plot van beide AAPL pryse, oorgetrek met die bewegende gemiddeldes plot en koop / verkoop seine, asook die aandele kurwe met dieselfde koop / verkoop seine. Die plot kode is geneem (en aangepas) van die Zipline implementering voorbeeld. Die grafiese uitset van die kode is soos volg. Ek het gebruik gemaak van die IPython Plak opdrag om hierdie direk in die IPython konsole sit terwyl hy in Ubuntu, sodat die grafiese uitset in die lig bly. Die pienk upticks verteenwoordig die aankoop van die voorraad, terwyl die swart downticks dit terug verteenwoordig verkoop: Soos gesien kan word van die strategie verloor geld oor die tydperk, met vyf heen-en terugreis ambagte. Dit is nie verbasend gegewe die gedrag van AAPL oor die tydperk, wat op 'n effense afwaartse neiging, gevolg deur 'n beduidende toename begin in 1998. Die Terugblik tydperk van die bewegende gemiddelde seine is redelik groot en die effek daarvan die wins van die finale handel , wat anders die strategie winsgewend moontlik gemaak. In die daaropvolgende artikels sal ons 'n meer gesofistikeerde middel van die ontleding van die prestasie, sowel as die beskrywing van hoe om die Terugblik tydperke van die individuele bewegende gemiddelde seine te optimaliseer skep. Michael Saal-Moore Mike is die stigter van QuantStart en is betrokke by die kwantitatiewe finansiële sektor vir die afgelope vyf jaar, in die eerste plek as 'n quant ontwikkelaar en later as 'n quant handelaar konsultasie vir verskansingsfondse.
Comments
Post a Comment